應用新穎深度學習模型於動態超音波正中神經影像進行即時性影像分割

Abstract

使用動態超音波影像診斷與評估腕隧道症候群是一種新趨勢。腕隧道症為正中神經在腕隧道處受到纏套，而在相鄰組織移動時表現出異常時空活動特徵。傳統上採用人工分割纏套正中神經的動態超音波連續影像需要耗費大量專業人力，因此阻礙了該方法在臨床診斷中普及。目前使用基於深度學習的模型自動分割與追蹤正中神經是一項吸引人的方法，有幾項研究已經使用深度學習相關方法在動態超音波影像中自動分割神經。但是由於深度學習模型訓練與推斷過程需要大量計算並且可能會有人工標註介入等問題，因此要應用在臨床場域中仍相當困難。在超音波造影的過程中同時進行神經分割，或是在造影與影像分割兩步驟間只有極短的時間延遲，將可使臨床醫師在收取影像時立即根據模型分割結果做出診斷，並且能夠在影像因過於模糊或是雜訊過多導致模型無法正確分割時立即決定重錄影像。因此在本論文中我提出了一項實例分割模型。該模型簡化近期公開之SOLOv2模型架構，目的在保有與我們先前研究模型同等分割精確度的前提下，加快其影像分割速度達到能夠配合臨床操作的水平。我們將提出的簡化模型稱為SOLOv2-1-MN。在其模型架構中為了加速推斷過程，我從減少計算複雜度方面著手。相比於原始SOLOv2提出的設計，我將網格單元數量減少至四分之一，並且在模型推斷時將輸入影像尺寸等比例縮小至原圖的75%。另外為了維持分割精確度，我們將特徵金字塔每個層級負責對應的實例都重新調整尺寸。接著我們將SOLOv2-1-MN與幾種目前最先進的實例分割模型進行比較，其中包含了Mask R-CNN、YOLACT (一種針對即時性實例分割的全卷積模型)和BlendMask (一種結合由上到下與從下而上兩種不同方法的實例分割模型)。此外我還提出了一項集成學習模型MixedMN，該模型使用集成學習策略結合了幾種先進的實例分割模型。我們比較其分割結果以測試使用集成學習是否能夠進一步提高分割精確度。在結果中顯示MixedMN以IoU分數0.8655和Dice係數0.9279達到模型最佳分割準確度。在模型推斷速度方面，SOLOv2-1-MN以每秒28.9幀運行。其IoU分數為0.8546、Dice係數為0.9216，其在提升推理速度的同時保有與原始SOLOv2模型架構同等的分割精確度。最後我們還使用上述模型分割正中神經影像與進行形態學參數分析，展示此種方法的可行性。總結來說，我提出了一種基於SOLOv2的輕量化模型架構SOLOv2-1-MN，其能夠對於動態超音波正中神經影像進行即時性實例分割。另外我還利用了集成學習策略結合了幾種最先進的實例分割模型，最終提高了分割精確度。我們認為本研究極具有被應用於臨床診斷場域的潛力，其能夠幫助臨床醫師以最少的勞動成本完成對於腕隧道症即時性診斷與客觀評估。